API بدون سانسور Laguna

بیشتر صفحه‌های «مدل ارزان» از شما می‌خواهند در ازای یک عدد پایین، بنیانی کوچک و از رده خارج را بپذیرید. این یکی نه. Laguna S 2.1 یک انتشار Mixture-of-Experts تُنُک از نسل جاری است که روی ۴٬۰۹۶ کارت H200 آموزش دیده و در کمتر از نُه هفته عرضه شده، و روی همان کف ۰٫۵۰ / ۲٫۰۰ دلاری می‌نشیند که هر مدل رده ورودی دیگری که سرو می‌کنیم رویش هست. بده‌بستان باریک است و استدلال درباره‌اش آسان: خروجی ساختاریافته اعمال‌شده از سوی سرور را از دست می‌دهید و باقی همه‌چیز را نگه می‌دارید.

01Laguna S 2.1 چیست؟

Laguna S 2.1 یک مدل وزن‌باز است که Poolside در ۲۱ ژوئیه ۲۰۲۶ ذیل پروانه آزادمنشانه OpenMDW-1.1 منتشر کرد — عضو میان‌اندازه خانواده Laguna، میان Laguna XS 2.1 (۳۳ میلیارد / ۳ میلیارد فعال) و Laguna M.1 (۲۲۵ میلیارد / ۲۳ میلیارد فعال).

معماری منتشرشده یک روتر توکن-محور با گیت softplus روی ۲۵۶ متخصص مسیریابی‌شده به‌علاوه یک متخصص مشترک است، ده تا به ازای هر توکن انتخاب می‌شوند، در سرتاسر ۴۸ لایه — دوازده لایه با توجه سراسری و سی‌وشش لایه با پنجره لغزان ۵۱۲ توکنی، درهم‌بافتنی که هزینه توجه ورودی‌های بسیار بلند را به‌جای درجه‌دو نزدیک به خطی نگه می‌دارد. توجه از نوع grouped-query با ۸ سر کلید-مقدار در بُعد سر ۱۲۸ است.

دو پیامد برای مصرف‌کننده API اهمیت دارد. فعال‌سازی تُنُک دلیل آن است که یک مدل ۱۱۸ میلیاردی می‌تواند روی کف قیمت بنشیند — تنها حدود ۸ میلیارد پارامتر به ازای هر توکن کار می‌کنند، پس محاسبات هر توکن به یک مدل چگال کوچک نزدیک‌تر است تا آنچه شمار پارامترها القا می‌کند. و درهم‌بافتن پنجره لغزان دلیل آن است که پنجره بلند واقعاً قابل استفاده است، نه اسمی. انتشار Poolside از ۱٬۰۴۸٬۵۷۶ توکن پشتیبانی می‌کند؛ ما ۲۶۲٬۱۴۴ سرو می‌کنیم، هم‌تراز با هر مدل دیگری روی گیت‌وی.

02آن یک نکته: بدون خروجی ساختاریافته

چه چیزی همچنان کار می‌کند. فراخوانی ابزار به‌طور کامل پشتیبانی می‌شود، و آرگومان‌های فراخوانی ابزار همچنان دقیقاً مثل هر مدل دیگری اینجا به‌صورت یک شیء JSON می‌رسند. اگر «خروجی ساختاریافته» در برنامه شما در واقع همان آرگومان‌های ابزار است — که درباره بیشتر چارچوب‌های عاملی، سرورهای MCP و فرانت‌اندهای پایگاه‌داده صادق است — Laguna S 2.1 خوب به کارتان می‌آید. استریمینگ روی هر سه گویش کار می‌کند؛ reasoning_effort کار می‌کند.

چه چیزی کار نمی‌کند. نمی‌توانید یک JSON Schema به اندپوینت بدهید و مطمئن باشید که پاسخ متنی دستیار در برابر آن اعتبارسنجی می‌شود، و response_format: {"type": "json_object"} چیزی برایتان نمی‌خرد. پرامپت‌زدن برای JSON معمولاً JSON تولید می‌کند — این یک مدل کاربلد است — اما «معمولاً» قرارداد نیست. خودِ Poolside اسکیپ‌کردن نادرست JSON در فراخوانی‌های ابزارِ عمیقاً تودرتو را به‌عنوان یک محدودیت شناخته‌شده مستند می‌کند، یادآوری‌ای از اینکه آن تضمین، هرجا در فهرست ما وجود دارد، از لایه سرویس‌دهی می‌آید نه از حسن نیت مدل.

به‌جایش کدام هم‌خانواده را بردارید

اگر بارِ کاری شما به JSON تضمین‌شده نیاز دارد، با این مدل نجنگید — شناسه مدل را عوض کنید. چهار هم‌خانواده با همان قیمت ۰٫۵۰ / ۲٫۰۰ دلار و با پشتیبانی کامل json_schema و response_format می‌نشینند:

شناسه مدل	json_schema	بینایی	چرا انتخابش کنید
MiMo-V2.5-Pro-W8A16	بله	ندارد	جایگزین مستقیم — وزن ۸ بیتی، رده بیشینه وفاداری، همان قیمت
MiMo-V2.5-W8A16	بله	دارد	همان، به‌علاوه ورودی تصویر
Hy3-W8A16	بله	ندارد	یک مدل متنی ۸ بیتی دیگر روی کف قیمت
DeepSeek-V4-Flash-0731	بله	ندارد	مثل Laguna از نوع W4A16-AutoRound-REAP، اما با پشتیبانی اسکیمای دست‌نخورده

پیش‌فرض طبیعی MiMo-V2.5-Pro (W8A16) است: فقط متنی، با کف قیمت، کوانتیزه‌شده در ملایم‌ترین رده‌ای که اجرا می‌کنیم — جزئیات در کارت مدل MiMo-V2.5. چون هر دوازده مدل اندپوینت‌ها، پنجره کانتکست و سقف خروجی مشترک دارند، جابه‌جایی یک تغییر یک‌خطی در فیلد model است.

03پسوند W4A16-AUTOROUND-REAP یعنی چه؟

پسوند روی شناسه مدل تزئین نیست — دقیقاً می‌گوید وزن‌ها پیش از بارگذاری روی خوشه GPU ما چگونه فشرده شده‌اند. سه بخش.

W4A16 — وزن ۴ بیتی، فعال‌سازی ۱۶ بیتی

وزن‌ها در ۴ بیت ذخیره می‌شوند؛ فعال‌سازی‌ها — مقادیری که هنگام استنتاج میان لایه‌ها جریان دارند — در ۱۶ بیت می‌مانند. کاهش وزن‌ها به یک‌چهارم ردپای BF16 همان چیزی است که جا شدن و سریع ماندن یک مدل ۱۱۸ میلیاردی را ممکن می‌کند، در حالی که پهن نگه‌داشتن فعال‌سازی‌ها از بخش عددیِ حساسِ گذر رو به جلو محافظت می‌کند. آنچه را بزرگ و ایستاست فشرده کنید، و آنچه را کوچک و پویاست به حال خود بگذارید.

AutoRound — گِردکردن آموخته‌شده، نه گِردکردن به نزدیک‌ترین

راه ساده‌لوحانه کوانتیزاسیون گِردکردن به نزدیک‌ترین است: هر وزن را به نزدیک‌ترین مقدار ۴ بیتی بچسبان و خطایش را بپذیر. AutoRound، جعبه‌ابزار متن‌باز کوانتیزاسیون پس از آموزش Intel، بهتر عمل می‌کند — روش SignRound آن با گرادیان کاهشی علامت‌دار در طول چند صد گام، تصمیم‌های گِردکردن و بازه‌های برش را هم‌زمان بهینه می‌کند و برای هر وزن تصمیم می‌گیرد که گِردکردن به بالا یا به پایین کدام آسیب کمتری به خروجی واقعی آن لایه می‌زند. این ایده را از آموزش آگاه به کوانتیزاسیون قرض می‌گیرد بی‌آنکه هزینه بازآموزی را بپردازد، و دلیل آن است که یک بیلد W4A16 می‌تواند یک مدل جدی باشد نه یک کنجکاوی پُرافت.

REAP — هرس متخصص‌ها به‌جای ادغامشان

REAP سرنام Router-weighted Expert Activation Pruning است که Cerebras Research منتشرش کرده. در یک مدل MoE همه متخصص‌ها به اندازه سهمشان کار نمی‌کنند: روتر به بعضی‌ها توکن کمی می‌فرستد، و بعضی وقتی هم شلیک می‌کنند سهم کوچکی در بزرگا دارند. REAP به هر متخصص بر پایه هر دو نشانه امتیاز می‌دهد — مقادیر گیت روتر و نُرم فعال‌سازی متخصص — و کم‌برجستگی‌ها را در یک مرحله، پیش از کوانتیزاسیون، حذف می‌کند. نکته کلیدی اینکه هرس می‌کند نه ادغام: ادغام چند متخصص را در یکی می‌پیچد و کنترل ریزدانه و وابسته به ورودیِ روتر را نابود می‌کند و کف خطایی می‌سازد که هیچ تنظیمی برنمی‌داردش (نویسندگان نامش را فروپاشی زیرفضای کارکردی می‌گذارند)، در حالی که هرس، بازماندگان و کنترل روتر بر آنها را دست‌نخورده می‌گذارد. Cerebras گزارش می‌کند تا ۵۰٪ متخصص‌ها را از مدل‌های تریلیون‌پارامتری حذف کرده در حالی که کیفیت پایه را عمدتاً حفظ کرده است — روی یک مدل کدنویسی ۴۸۰ میلیاردی با هرس ۵۰٪، ۹۷٫۶٪ از توانایی کدنویسی غیرعاملی پایه و ۹۶٫۷٪ روی SWE-Bench عاملی. اینها اعداد Cerebras روی مدل‌های خودشان است، نه اندازه‌گیری بیلد ما، اما دلیل آن است که این پشته را روی بنیانی اجرا می‌کنیم که قوّت اصلی‌اش کد است.

روی‌هم‌رفته پسوند مثل یک جمله خوانده می‌شود: متخصص‌هایی را که به‌زحمت استفاده می‌شدند هرس کن، گِردکردن ۴ بیتی را به‌جای حدس‌زدن یاد بگیر، و فعال‌سازی‌ها را با پهنای کامل نگه دار.

04این مدل واقعاً در چه چیزی خوب است؟

اول صداقت: Laguna S 2.1 یک مدل گفت‌وگویی فقط-متنی است — روی این شناسه مدل ورودی تصویر نیست — و Poolside آن را برای کدنویسی عاملی و کار افق-بلند ساخته، نه برای نثر. پس‌آموزش روی بیش از ۴۰۹٬۰۰۰ محیط اجرا شد، از جمله ۸۳٬۰۰۰ وظیفه ترمینال و ۱۶۸٬۰۰۰ وظیفه مهندسی نرم‌افزار، با یادگیری تقویتی در FP8. نتایج گزارش‌شده Poolside برای انتشار کوانتیزه‌نشده:

بنچمارک	با اندیشیدن	بدون اندیشیدن	چه چیزی را می‌سنجد
SWE-Bench Multilingual	78.5%	—	رفع باگ واقعی در زبان‌های پرشمار
Terminal-Bench 2.1	70.2%	60.4%	کار چندمرحله‌ای شل و ابزارها
SWE-Bench Pro	59.4%	—	وظایف مخزن سخت‌تر و مقاوم به آلودگی
Toolathlon Verified	49.7%	—	گستره کاربرد ابزار روی APIهای پرشمار
SWE Atlas	46.2%	—	پیمایش افق-بلند مخزن
DeepSWE v1.1	40.4%	16.5%	مهندسی نرم‌افزار عاملی

فاصله میان آن دو ستون عملی‌ترین عدد اینجاست: روی DeepSWE امتیاز با فعال‌شدن استدلال بیش از دو برابر می‌شود، و روی Terminal-Bench نزدیک به ده واحد بالا می‌رود.

اعداد گزارش‌شده Poolside برای انتشار کوانتیزه‌نشده Laguna S 2.1، ژوئیه ۲۰۲۶. اینها اندازه‌گیری بیلد W4A16-AutoRound-REAP ما نیستند، و ما هیچ عدد بنچمارکی از خودمان برایش منتشر نمی‌کنیم. برای کنترل بودجه اندیشیدن روی API ما از reasoning_effort استفاده کنید.

برای کار گفت‌وگویی و خلاقانه موضع صادقانه این است: کیفیت‌هایی که پشت اجراهای عاملی طولانی‌اند — نگه‌داشتن منسجم حجم زیادی از حالت، ماندن روی وظیفه، منحرف‌نشدن — همان‌هایی‌اند که پشت کار بلندمدت روی شخصیت‌اند، و در عمل این مدل صدا را در سرتاسر یک پنجره بسیار بلند خوب نگه می‌دارد. هیچ بنچمارک منتشرشده‌ای این را نمی‌گوید، و ما هم یکی از خودمان درنمی‌آوریم. روی پرامپت‌های خودتان بیازماییدش؛ با ۰٫۵۰ دلار به ازای هر میلیون توکن ورودی، این کار تقریباً رایگان است.

05کف قیمت واقعاً چه چیزی می‌خرد؟

۰٫۵۰ دلار ورودی / ۲٫۰۰ دلار خروجی به ازای هر میلیون توکن، رده ورودی گیت‌وی Shannon AI است، مشترک با MiniMax-M3، DeepSeek-V4-Flash، MiMo-V2.5، MiMo-V2.5-Pro و Hy3. مشخصاً:

بارِ کاری	ورودی	خروجی	هزینه
یک نوبت گفت‌وگو با ۱۰۰ هزار توکن تاریخچه	100,000	2,000	$0.054
یک فصل ۵٬۰۰۰ کلمه‌ای از دل یک بریف بلند	30,000	7,000	$0.029
۱٬۰۰۰ نوبت کوتاه گفت‌وگویی	4,000,000	500,000	$3.00
یک خوانش کامل کانتکست ۲۶۲ هزار توکنی	262,144	16,384	$0.164

سطر آخر همانی است که باید در ذهنتان جا بیفتد: پر کردن کل پنجره کانتکست و تولید بیشینه پاسخ ۱۶٬۳۸۴ توکنی حدود شانزده سنت هزینه دارد. ریختن یک دست‌نوشته کامل، رونوشت یک جلسه، یا یک مجموعه سند در یک فراخوانی دیگر یک تصمیم بودجه‌ای نیست، بلکه یک تصمیم تأخیری است. همین حساب‌وکتاب مورد استفاده دیگرِ کف قیمت را هم پیش می‌راند — حجم: دسته‌بندی انبوه، بازنویسی حجیم، گفت‌وگوی مصنوعی، و پیش‌نویس اول که بعداً مدلی قوی‌تر پالایشش می‌کند. صفحه قیمت‌گذاری و نمایه پژوهش را ببینید.

06«بدون سانسور» اینجا یعنی چه

یعنی همان که می‌گوید: بدون لایه رد درخواست و بدون فیلترینگ محتوا روی خروجی. هیچ دسته‌بندی‌کننده‌ای میان مدل و پاسخ شما ننشسته که تصمیم بگیرد آیا اجازه پرسیدن داشته‌اید یا نه؛ مدل در همان لحنی که خواسته‌اید جواب می‌دهد و اول برایتان درباره مقدمه سؤال موعظه نمی‌کند.

برای کار خلاقانه، همین تفاوت میان یک ابزار قابل استفاده و یک ابزار غیرقابل استفاده است. داستان، ضدقهرمان‌های تهدیدآمیز دارد، شخصیت‌هایی که متقاعدکننده دروغ می‌گویند، خشونتی که پیامد دارد، و راویانی که اخلاقاً آلوده‌اند — مدلی که از نقش بیرون می‌زند تا یک سلب مسئولیت پیوست کند، در وظیفه‌اش شکست خورده، نه اینکه در ایمنی موفق شده باشد. همین درباره پژوهش امنیتی، مستندسازی تیم قرمز، پیش‌نویسی پزشکی و حقوقی، و ترجمه‌ای که متن مبدأش رک است هم صادق است: دسته‌هایی که در آنها یک رد درخواست، صرفاً یک پاسخ غلط است. آنچه این حرف نمی‌گوید این است که قضاوت دیگر از آنِ شما نیست — شما مسئول چیزی می‌مانید که تولید می‌کنید، ذیل سیاست استفاده مسئولانه ما و قانون حاکم.

07چطور API بدون سانسور Laguna را فرا بخوانیم

سه گویش، یک مدل: /v1/chat/completions (OpenAI)، /v1/messages (Anthropic)، /v1/responses. استریمینگ روی هر سه کار می‌کند، پس یک یکپارچه‌سازی موجود فقط با عوض‌کردن یک base URL و یک شناسه مدل جابه‌جا می‌شود — بدون تعویض SDK، بدون بازنویسی مدیریت پیام‌هایتان.

POST https://api.shannon-ai.com/v1/chat/completions

{
  "model": "Laguna-S-2.1-W4A16-AUTOROUND-REAP",
  "messages": [
    { "role": "system", "content": "You are a hardboiled narrator. Stay in voice." },
    { "role": "user",   "content": "Open chapter nine." }
  ],
  "stream": true,
  "max_tokens": 4096,
  "reasoning_effort": "low"
}

چند نکته عملی:

• به این شناسه مدل response_format یا json_schema نفرستید — اگر کتابخانه کلاینتتان به‌صورت پیش‌فرض یکی را تنظیم می‌کند، از تنظیم درش بیاورید یا به هم‌خانواده‌ای بروید که پشتیبانی‌اش می‌کند.
• ابزارها در همان آرایه معمول tools می‌روند — فراخوانی ابزار به‌طور کامل پشتیبانی می‌شود؛ فقط اعمال اسکیما روی متن آزاد نیست.
• برای استدلال بودجه بگذارید. reasoning_effort رعایت می‌شود — پایین یا خاموش، تأخیر گفت‌وگویی را کم و توکن‌های خروجی را ارزان نگه می‌دارد؛ برای کار چندمرحله‌ای با ابزار بالا ببریدش، جایی که فاصله بنچمارکی بالا نشان می‌دهد چه می‌خرد.
• سقف خروجی ۱۶٬۳۸۴ توکن در هر درخواست است. برای تولید در حد یک کتاب، فصل‌بندی کنید و استریم بگیرید.
• فقط متن. روی این شناسه مدل ورودی تصویر نیست — برای بینایی از MiMo-V2.5، Kimi-K2.6، Kimi-K3، MiniMax-M3 یا inkling استفاده کنید.

مرجع کامل پارامترها، احراز هویت، معناشناسی خطا و یک پلی‌گراند زنده: مستندات API.

08کِی انتخابش کنید، و کِی نه

انتخابش کنید وقتی خروجی شما نثر، دیالوگ یا کدی است که یک انسان می‌خواندش؛ به فراخوانی ابزار نیاز دارید اما به متن مقیدشده به اسکیما نه؛ هزینه هر توکن روی کانتکست بلند حرف اول را می‌زند؛ یا نظر دومی از تباری غیر از خانواده‌های DeepSeek، Kimi و MiMo می‌خواهید که باقی فهرست را پر کرده‌اند.

سراغ چیز دیگری بروید وقتی به JSON تضمین‌شده نیاز دارید (MiMo-V2.5-Pro)، به درک تصویر نیاز دارید (Kimi-K2.6 یا MiMo-V2.5)، یا در آن سر دشواری هستید که فاصله قیمت در برابر درست درآمدن پاسخ بی‌اهمیت است (DeepSeek-V4-Pro، Kimi-K3).

09پرسش‌های پرتکرار

---

منابع: Poolside — کارت مدل Laguna S 2.1 · Introducing Laguna S 2.1 · REAP the Experts (Cerebras Research) · Intel AutoRound. اعداد معماری و بنچمارک را ناشر برای انتشار کوانتیزه‌نشده گزارش کرده و اندازه‌گیری بیلدی که ما سرو می‌کنیم نیستند. Shannon AI را Shannon Lab LLC در نیومکزیکوی ایالات متحده اداره می‌کند.